0

我正在使用 R 的 quanteda 包以及 R 和包的最新版本。我有一个数以百万计的文件语料库。

假设我有一个从 quanteda 生成的 DFM，每个文档都有一个日期的 docvar。在给定的一天内生成了数千个文档，但我想按天获取应用于文档的 DFM（这样我每天就有每个术语的总字数）。我知道 quanteda 是使用 data.table 构建的，所以应该可以做到这一点，但我在“Quanteda 入门”或 StackOverflow 上几乎没有发现什么提供了一种干净的方法。

有什么建议么？

4

1 回答 1

1

您希望 'groups' 参数dfm：

> # Add some random dates to an existing corpus
> docvars(data_corpus_inaugural)$date <- rep(as.Date(runif(19, 1, 18000), origin='1970-01-01'), 3)

> dfm_inaugural <- dfm(data_corpus_inaugural, groups='date')
> head(dfm_inaugural)
Document-feature matrix of: 19 documents, 9,215 features (80.8% sparse).
(showing first 6 documents and first 6 features)
            features
docs         fellow citizens  i appear before you
  1970-12-27      4        7 39      2     10  17
  1972-04-25      8       13 29      1      8   8
  1973-08-22      1        3 48      1      6   1
  1973-10-11      2        4 25      0      3   5
  1974-01-05      3        9 57      0      7   2
  1975-04-12      7       21 63      4      6  16
于 2016-11-29T12:43:09.573 回答